Conoce a los Kaggle Grandmasters de NVIDIA (KGMoN) y descubre cómo utilizan la ciencia de datos acelerada de NVIDIA para crear sistemas de recomendación de éxito, predecir las tasas de degradación en las moléculas de ARN, identificar el melanoma en las imágenes médicas y más.
Bo Liu
Científico de datos sénior en NVIDIA
Chris Deotte
Christof Henkel
Científico de datos en NVIDIA
David Austin
Ingeniero de software de sistemas principales en NVIDIA
Gilberto Titericz
Jean-Francois Puget
Ingeniero distinguido en NVIDIA
Jiwei Liu
Kazuki Onodera
Théo Viel
Científico de datos de deep learning sénior, NVIDIA
Marzo y mayo de 2022
En dos concursos diferentes, el equipo usó el procesamiento del lenguaje natural para analizar los elementos de escritura argumentativa de los estudiantes y han identificado frases clave en las notas de pacientes de los exámenes para la obtención de la licencia médica.
(58:24 minutos)
Junio de 2021
El equipo de NVIDIA Merlin y KGMON obtuvo el primer lugar en el RecSys Challenge 2021 al predecir de manera efectiva la probabilidad de participación del usuario en un entorno dinámico y ofrecer recomendaciones justas en un conjunto de datos de varios millones de puntos.
(1:10:47 minutos)
Marzo de 2021
En este desafío de sistemas de recomendación, el objetivo era utilizar un conjunto de datos basado en millones de reservas de alojamiento anónimas reales para elaborar una estrategia y hacer la mejor recomendación para el próximo destino, todo en tiempo real.
(49:11 minutos)
Mira este vídeo para asistir a una breve lección de historia y descubrir el estado actual del procesamiento del lenguaje natural, así como cuáles son las prácticas recomendadas para usar los transformadores de Hugging Face en cuatro competiciones diferentes.
(1:06:02 minutos)
Octubre de 2020
En esta competición, los equipos se encargaron de desarrollar modelos de aprendizaje automático y diseñar reglas para la degradación del ARN. Los modelos tenían que predecir las tasas de degradación probables en cada base de una molécula de ARN. Dichos modelos se entrenan en un subconjunto de un conjunto de datos de Eterna que comprende más de 3000 moléculas de ARN (que abarcan una amplia variedad de secuencias y estructuras) y sus tasas de degradación en cada posición.
(56:56 minutos)
Septiembre del 2020
En este desafío de reconocimiento de lugares emblemáticos, el equipo tenía que construir modelos capaces de reconocer el lugar correcto (si lo había) en un conjunto de datos de imágenes de prueba complicadas. Del dicho al hecho hay gran trecho, dado que el reconocimiento de lugares de referencia contiene un número mucho mayor de clases. Por ejemplo, hubo más de 81 000 clases en esta competición.
Agosto de 2020
En esta competición, el equipo tenía que crear modelos de aprendizaje automático para identificar las lesiones cutáneas a partir de las imágenes de los pacientes y determinar qué imágenes tienen más probabilidades de representar un melanoma. El modelo de aprendizaje automático ganador fue capaz de identificar el melanoma antes y con mayor precisión que el dermatólogo promedio.
La serie “Grandmaster” es una serie mensual de vídeos educativos para científicos de datos. En cada episodio, verás a los principales expertos mundiales en ciencia de datos compartir sus conocimientos, prácticas recomendadas y aprendizajes clave de alguna competición reciente. Únete y aprende cómo aplicar sus aprendizajes a tus propios desafíos de ciencia de datos.
Gracias por tu interés. Un representante te ofrecerá más información en breve.